Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

기술 요약: 재발성 사건 결과에 대한 이중 강건 방법론

문제 제기
재발성 사건 결과(예: 급성 신손상 에피소드)에 대한 치료 전략의 평균 인과 효과(ACE)를 평가하는 것은 임상 연구에서 매우 중요하지만 방법론적으로 까다롭습니다. 표준 분석은 시변 치료(time-varying treatments), 시변 교란(time-varying confounding), 그리고 비순응(non-adherence)을 포함하는 종단적 설정의 복잡성을 적절히 다루지 못하는 경우가 많습니다. 또한, 재발성 사건에 대한 ACE를 추정하는 기존 연구들은 주로 단일 시점 노출(point exposure) 설정에 집중해 왔으며, 지속적인 치료 준수(sustained treatment compliance)의 미묘한 차이를 간과해 왔습니다. 아울러, 사망과 같은 "준경쟁 위험(semi-competing risks)"은 재발성 비종말 사건(recurrent non-terminal events)의 분석을 복잡하게 만드는데, 이는 사망이 향후 사건 발생을 위한 위험 집단(risk set)을 중단시키기 때문입니다. 수축기 혈압 중재 시험(SPRINT) 데이터는 집중 혈압 관리와 표준 혈압 관리가 급성 신손상(AKI) 재발 및 사망에 서로 다르게 영향을 미칠 수 있는 구체적인 사례를 제시하며, 이러한 효과들을 분리해내기 위해 강력한 인과 추론 방법론을 필요로 합니다.

방법론
저자들은 시변 치료 및 준수 체계 하에서 인과 효과를 추정하기 위해 반사실적 모델(counterfactual model)과 종단적 g-공식(longitudinal g-formula)에 기반한 프레임워크를 제안합니다.

1. 데이터 구조 및 식별:

   • 본 연구는 기초 변수($L_0$), 시변 공변량($L_k$), 치료 할당($Z$), 시변 준수($A_k$), 그리고 이진 재발 사건 지표($Y_k$)를 갖는 종단적 데이터 구조를 정의합니다.
   • 인과적 식별은 조건부 교환 가능성(Conditional Exchangeability), 양의성(Positivity), 일관성(Consistency)이라는 세 가지 표준 가설에 의존합니다.
   • 목표 추정량(target estimand)은 특정 치료($z$) 및 준수($\bar{a}_K$) 중재 체계 하에서의 기대 누적 재발 사건 횟수($E[R_{K+1}^{z, \bar{a}_K}]$)이며, 이는 반복적 조건부 기대치(ICE) 형태로 표현됩니다.

2. TMLE를 통한 이중 강건 추정:

   • 저자들은 이산 시간 격자(discrete time grid) 상의 재발 사건 결과를 처리하기 위해 종단적 표적 최대 우도 추정(Longitudinal Targeted Maximum Likelihood Estimation, TMLE)을 확장하였습니다.
   • 이 방법은 효율적 영향 함수(Efficient Influence Function, EIF)를 활용하여 **이중 강건성(double robustness)**을 가진 추정량을 구축합니다. 즉, 성향 점수 모델(치료/준수 메커니즘) 또는 결과 회귀 모델 중 하나가 올바르게 지정되기만 하면 추정량의 일관성이 유지됩니다.
   • 구현 과정에서는 모델 오지정 편향(model misspecification bias)을 완화하기 위해 머신러닝 알고리즘(예: Extreme Gradient Boosting, Generalized Additive Models)을 사용하여 교란 함수(nuisance function)를 추정합니다.
   • 알고리즘은 특정 추정량을 목표로 하기 위해 성향 점수로부터 유도된 변동 파라미터(fluctuation parameter)를 사용하여 결과 회귀 모델을 조정하는 반복적 업데이트 과정을 포함합니다.

3. 준경쟁 위험 처리:

   • 사망이 재발 사건 관찰을 중단시키는 문제를 해결하기 위해, 사망($D_k$)을 제거해야 할 검열 사건으로 보는 대신 **준경쟁 위험(semi-competing risk)**으로 모델링합니다.
   • 사망은 시변 공변량($L_k^*$)의 구성 요소로 포함되며, 사망이 미래의 AKI 사건 중단을 의미한다는 결정론적 관계($D_k=1 \implies Y_k=0$)를 가집니다. 이를 통해 사망을 매개로 하는 경로를 포함하는 **총 효과(total effect)**를 추정할 수 있습니다.

주요 기여

• 방법론적 확장: 본 논문은 시변 치료 및 준수 하에서의 재발성 사건 결과에 대한 목표 인과 추정량과 데이터 구조를 정형화하여, 종단적 TMLE를 이 특정 맥락으로 확장했습니다.
• 실제적 구현: 머신러닝을 사용하여 이중 강건 추정량을 구축하기 위한 투명한 단계별 구현 가이드(Algorithm 1)를 제공하여 실제 연구에서의 적용을 용이하게 합니다.
• 복잡성 해결: 본 프레임키는 시변 교란, 비순응(ITT 및 PP 분석 모두 허용), 그리고 사망을 제거하는 가설적 중재에 의존하지 않고도 사망이라는 준경쟁 위험을 명시적으로 다룹니다.

결과 (SPRINT 적용)
제안된 방법론은 SPRINT 데이터셋(9,322명 대상)에 적용되어, 집중 혈압 조절(<120 mm Hg)과 표준 혈압 조절(<140 mm Hg)이 4년간의 AKI 재발에 미치는 영향을 평가했습니다.

• 총 ITT(Intent-to-Treat) 효과: 환자를 집중 치료에 배정하는 것은 표준 치료에 비해 AKI 사건을 통계적으로 유의하게 증가시켰습니다. 추정된 차이는 0.019 (95% CI: [0.011, 0.026])였습니다.
• 총 PP(Per-Protocol) 효과: 할당된 요법을 완전히 준수한다는 가설적 시나리오 하에서도, 집중 치료 그룹은 표준 그룹에 비해 AKI 재발 예상 횟수가 미세하게 높았습니다. 추정된 차이는 0.017 (95% CI: [0.007, 0.027])이었습니다.
• 준수 효과: 준수에 대한 인구 중재 효과(PIE)의 보충 분석 결과, 관찰된 준수에서 완전한 준수로 이동하는 것이 AKI 재발률에 미치는 영향은 미미했습니다. 이는 ITT와 PP 추정치의 유사성이 연구 대상 집단의 높은 기초 준수율 때문임을 시사합니다.
• 강건성: 시간적 이산화(2년 단위 vs 연 단위) 및 다양한 머신러닝 알고리즘(GLM, XGB, GAM) 사용에 대한 민감도 분석 결과는 일관된 결과를 보여주었으며, 이는 인과적 결론의 강건성을 확인시켜 줍니다.

의의 및 주장
본 논문은 자신의 방법론이 준경쟁 위험이 존재하는 상황에서 재발성 사건에 대한 치료 전략의 총 인과 효과를 추정하는 엄격한 접근법을 제공한다고 주장합니다. 사망을 제거해야 할 검열 메커니즘이 아닌, 중단 사건으로 취급함으로써 저자들은 자신들의 접근 방식이 사망을 제거하는 가설(그 자체가 정의하기 어려울 수 있음)에 의존하는 방식보다 실제 공중 보건적 함의를 더 정확하게 반영한다고 주장합니다.

저자들은 집중적인 혈압 조절이 사망률을 낮추는 반면, 재발성 AKI 에피소드의 빈도를 미세하게 증가시킨다고 결론짓습니다. 또한, 이중 강건하고 머신러닝이 강화된 TMLE 프레임워크가 복잡한 준수 및 경쟁 위험 구조를 가진 종단 연구에서 심혈관 이점과 신장 위험 사이의 절충안을 탐색하는 데 있어 임상의와 연구자들에게 신뢰할 수 있는 도구를 제공함을 강조합니다. 마지막으로 저자들은 준수 정의의 타당성이 구간 수준의 준수 측정이 실제 준수를 정확히 반영한다는 가정에 의존하며, 이는 준수율이 낮은 인구 집단에서 더 두드러질 수 있다는 한계를 겸허히 언급합니다.